在進行合並時重塑 pandas 數據幀

Question

我有一個pandas.DataFrame （ df ）和一些元數據，其中有一個ID 、 Column和Value我想與另一個df結合，例如：

df_map = pd.DataFrame({"ID" : [3, 7, 17], "Column" : ["A1", "B7", "C17"], 
                       "Value" : ["ValA1", "ValB7", "ValC17"]})

我想將上面的（為了更好的詞）與下面的df結合起來，其中列名與上面Column中的行條目匹配，下面df中的行值與ID行值匹配以上。

df_main = pd.DataFrame({"A1" : [3, 6], "A5" : [5, 10], "B7" : [7, 14] , 
                        "C17" : [17, 34], "C19" : [19, 38] })

因此，我想以這樣一種方式將這些合並到df's中，即通過將它們添加為ID's附加維度，基於Value列重塑它，即df_result = combine(df_map, df_main)

我基本上期望結果如下

df_result = pd.DataFrame({"A1" : [3, 6], "A5" : [5, 10], "B7" : [7, 14] ,
                          "C17" : [17, 34], "C19" : [19, 38], "Value A1" : ["ValA1", None],
                         "Value B7" : ["ValB7", None], "Value C17" : ["ValC17", None ]})

Out[30]:
   A1  A5  B7  C17  C19 Value A1 Value B7 Value C17
0   3   5   7   17   19    ValA1    ValB7    ValC17
1   6  10  14   34   38     None     None      None

不確定在pandas中執行此操作的最佳方法？

Answer 1

First DataFrame.melt with converted index to column for avoid lost in DataFrame.merge with left join, then reshape back by DataFrame.set_index with DataFrame.unstack , remove only missing columns by DataFrame.dropna and last flatten MultiIndex with map :

df = (df_main.reset_index()
             .melt('index',var_name='Column', value_name='ID')
             .merge(df_map, how='left')
             .set_index(['index', 'Column'])
             .unstack()
             .rename_axis(None)
             .dropna(how='all', axis=1))
df.columns = df.columns.map('_'.join)
print (df)
   ID_A1  ID_A5  ID_B7  ID_C17  ID_C19 Value_A1 Value_B7 Value_C17
0      3      5      7      17      19    ValA1    ValB7    ValC17
1      6     10     14      34      38      NaN      NaN       NaN

Answer 2

Series.map和pandas.concat的替代解決方案：

df2=pd.concat([df_main.T[key].map(df_map.set_index('ID')['Value']) for key in df_main.index.tolist()],axis=1).T.add_prefix('Value_')
df_main=pd.concat([df_main,df2],axis=1)
df_main.dropna(how='all',axis=1,inplace=True)
print(df_main)

   A3  A5  B7  C17  C19 Value_A3 Value_B7 Value_C17
0   3   5   7   17   19    ValA1    ValB7    ValC17
1   6  10  14   34   38      NaN      NaN       NaN